Teorema de Límite Central (TLC)

Introducción al Teorema del Límite Central

Resumen de la sección: En esta sección, se introduce el concepto del Teorema del Límite Central y su importancia en estadística. Se plantea un escenario donde se desconoce la distribución de una población, pero se conoce su media y varianza. A partir de una muestra de tamaño n, se calcula la media muestral y este procedimiento se repite K veces. El teorema establece que si n es suficientemente grande, las medias muestrales seguirán una distribución normal con la misma media que la población y una varianza relacionada a través de Sigma cuadrado sobre n.

Conceptos clave

• El Teorema del Límite Central garantiza que las medias muestrales siguen una distribución normal, independientemente de la distribución de la población.

• La media de las medias muestrales coincide con la media de la población.

• La varianza de las medias muestrales está relacionada a través de Sigma cuadrado sobre n.

• A medida que aumenta el tamaño de la muestra (n), la variabilidad disminuye y las medias muestrales están más concentradas alrededor de miu.

• Se considera que n es suficientemente grande si es mayor o igual a 30, aunque para distribuciones simétricas puede ser menor.

Conclusión

Resumen: El Teorema del Límite Central es un resultado fundamental en estadística que establece el comportamiento de las medias muestrales cuando el tamaño de muestra es suficientemente grande. Este teorema garantiza que las medias muestrales siguen una distribución normal con la misma media que la población y una varianza relacionada a través de Sigma cuadrado sobre n. Es importante tener en cuenta la condición de suficientemente grande para el tamaño de muestra, que generalmente se considera como n mayor o igual a 30, aunque puede ser menor en casos de distribuciones simétricas.